一种轻型入耳式生物电传感系统及其传感方法与流程

1.本发明涉及一种轻型入耳式生物电传感系统及其传感方法，属于脑机接口、生物电传感技术领域。


背景技术：

2.量化生物动态信号在检测和诊断影响个人健康如脑健康、情绪、睡眠相关疾病方面具有重要的临床价值。
3.通常情况下，出于临床原因监测量化生物动态信号需要患者需要在医院的医学影像、睡眠实验室进行研究。虽然医院实验室提供了高度可靠的量化信号研究结果，但它有一些缺点，导致在临床设施之外的效用降低，且在住院环境中使用时仍然非常昂贵。这些问题包括：(1)操作繁琐：在病人的头部、面部和身体上安装大量的有线传感器；(2)成本昂贵：需要到医院实验室进行专家级的传感器安装，并由专家来审查生物动态信号的量化结果；(3)接触易失：只要病人移动，就有失去传感器接触的风险；因此，传统设施在临床设施之外的效用并不高。
4.虽然市面上已有针对脑功能的可穿戴式脑机接口设计,大多数现有的脑机接口感知实现都采用固定的架构和参数配置，因而缺乏灵活性和适应性，无法实现针对生物动态信号的高效数据传感。脑机接口中大量的数据交换使传感器的设计面临着严重的能量利用效率问题。压缩感知是一种减少前端数据量的方法，它的采样与信号信息量成正比，打破了传统的奈奎斯特率数据采样规则。基于压缩感知的采样率可以在数据处理和通信中减少能量消耗，然而，持续的压缩数据传输仍然是十分耗能的，如何在无线植入式传感网络中进一步提高能源利用效率仍然是一个很大的挑战。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种轻型入耳式生物电传感系统及其传感方法，通过分析输入信号的波形来控制随机化编码和量化模块,从而有效地重新配置超低功率压缩感知架构，该优化设计具有超低功率和高效率。
6.为达到上述目的，本发明是采用下述技术方案实现的：
7.第一方面，本发明提供了一种轻型入耳式生物电传感系统，包括：
8.无源电极传感器，所述无源电极传感器包括主动电极和参考电极，所述主动电极和参考电极通过导线相连接，所述主动电极和参考电极的外表面均覆盖有泡沫耳塞；
9.信号放大器，所述放大器通过屏蔽线与无源电极传感器相连接，用于接收无源电极传感器记录的耳内信号；
10.动态旋钮微控制器，所述动态旋钮微控制器与放大器相连接，用于对耳内信号进行采样和存储；
11.其中，所述动态旋钮微控制器，还包括：
12.随机编码模块，所述随机编码模块用于将信号进行采样压缩；
13.量化模块，所述量化模块包括比较器和数字编码器，用于通过数字编码器进行量化处理；
14.压缩感知粗筛选模块，所述粗筛选模块用于使用softmax回归模型来实现粗筛选；
15.压缩感知精细分析模块，用于对中间的压缩测量结果进行精细粒度分析；
16.多模态生物电记录模块，用于对最终的预测结果进行记录保存。
17.进一步的，所述主动电极和参考电极呈椭圆形结构，所述主动电极和参考电极表面涂有多层纯薄的银箔，同时加入有导电凝胶。
18.进一步的，所述动态旋钮微控制器还包括信号结构分析器模块、参数配置查询表模块，所述信号结构分析器模块用于在监督学习算法的基础上识别输入信号；所述参数配置查询表模块用于通过识别输入信号，根据预先定义的模板查询最佳参数估计。
19.进一步的，所述随机编码模块由m个分支组成，每个分支完成一个量度的随机化组合，每个分支都包括一个乘法器、一个感知矩阵φ中的列向量和一个积分器来累积中间结果。
20.进一步的，所述量化模块包括比较器和数字编码器，所述比较器用于输出一个比较输入模拟信号和参考电压水平的二进制结果，所述数字编码器用于根据比较结果来组织输出最终的量化结果。
21.第二方面，本发明提供一种根据前述任一项所述的轻型入耳式生物电传感系统的传感方法，包括：
22.采集混合耳内信号，并应用多模态信号分离模型，在不损失其生理信息的情况下提取为分离信号；
23.将所述分离信号通过随机编码将神经信号进行采样压缩，获取压缩信号；
24.通过数字编码器对压缩信号进行量化处理；
25.使用softmax回归模型对压缩信号进行粗筛选，输出类别预测结果和置信分数；
26.将所述类别预测结果和置信分数与预先设定的阈值进行比较，判断分类结果是否可靠，如果可靠，将所述类别预测结果发送至多模态生物电记录模块进行保存，如果不可靠，将所述压缩信号发送至精细分析模块，进行精细粒度分析，获得的最终预测结果再发送至多模态生物电记录模块进行保存；
27.将所述压缩信号输入动态旋钮微控制器，信号结构分析器根据监督学习算法来判断其类别信息，获得信号类别信息后，从参数查询表模块查询到最佳参数估计，从而配置相应的模块。
28.进一步的，所述分离信号包括eeg信号、eog信号和emg信号。
29.进一步的，应用睡眠阶段分类算法，利用从分离信号中提取的一组鉴别性特征，将设定间隔时间的睡眠数据划分为合理的睡眠阶段。
30.进一步的，所述应用睡眠阶段分类算法，利用从分离信号中提取的一组鉴别性特征，将设定间隔时间的睡眠数据划分为合理的睡眠阶段，包括：
31.采集混合耳内信号，并应用多模态信号分离模型，获取分离信号；
32.将所述分离信号输入预先训练过的睡眠阶段分类算法模型，以30秒的间隔粒度划分合理的睡眠阶段。
33.进一步的，所述睡眠阶段分类算法模型的训练方法包括：
34.获取从多模态生物动态信号中分离出来的信号；
35.对信号进行特征提取，提取出对应于独立信号的一组可能的特征；
36.对提取的特征进行筛选，获取更具辨识性的特征；
37.利用所述更具辨识性的特征，基于相似性的测量标准来训练睡眠阶段分类算法模型。
38.与现有技术相比，本发明所达到的有益效果：
39.1.用一种由薄、软和高导电性材料组合而成的新颖高敏电极设计增强耳塞式生物电传感系统。该系统本身是一个重量轻、成本低、容易放置的设备，可以舒适安全地放在人的耳朵里，提供高保真和长期连续的生物信号电压电位测量。
40.2.推导并实现一个单通道信号分离模型，它可以根据生理和电学特性从混合的耳内信号中分解出eeg、eog和emg信号。我们通过建立特定来源的先验知识来监督正确的分离过程，并适应性地控制不同人和不同记录的信号的变异性。
41.3.提出并设计了一个130纳米标准单元的动态旋钮的设计和实现，使得压缩感知能够更适用于生物信号性。动态旋钮的控制逻辑只占用了少量的0.8％能源消耗，以及0.91％的面积。需要指出的是，这种很小的资源占用是由于我们忽略了控制逻辑部分的消耗，采用逻辑仿真的能量估计来寻找最佳解决方案。我们对电路层面的架构性能进行建模，并将其表述为一个动态规划问题，该优化设计具有超低功率和高效率。
42.4.在监测手段上，推导并实现一个完整的睡眠分期系统，该系统将耳内设备捕获的生物信号作为输入，然后自动提取它们的具有鉴别性的特征，并以30秒的间隔粒度划分合理的睡眠阶段。结果表明，该系统可以达到95％的平均准确率。
附图说明
43.图1是本发明实施例提供的入耳式生物信号传感系统信号模块的信息流程图；
具体实施方式
44.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
45.实施例1
46.本实施例介绍一种轻型入耳式生物电传感系统，包括：
47.无源电极传感器，所述无源电极传感器包括主动电极和参考电极，所述主动电极和参考电极通过导线相连接，所述主动电极和参考电极的外表面均覆盖有泡沫耳塞；
48.放大器，所述放大器通过屏蔽线与无源电极传感器相连接，用于接收无源电极传感器记录的耳内信号；
49.动态旋钮微控制器，所述动态旋钮微控制器与放大器相连接，用于对耳内信号进行采样和存储；
50.其中，所述动态旋钮微控制器，还包括：
51.随机编码模块，所述随机编码模块用于将信号进行采样压缩；
52.量化模块，所述量化模块包括比较器和数字编码器，用于通过数字编码器进行量化处理；
53.压缩感知粗筛选模块，所述粗筛选模块用于使用softmax回归模型来实现粗筛选；
54.压缩感知精细分析模块，用于对中间的压缩测量结果进行精细粒度分析；
55.多模态生物电记录模块，用于对最终的预测结果进行记录保存。
56.如图1所示，本发明介绍了一种新的轻型入耳式生物电传感系统，它有望为一些医疗保健应用提供重要输入。就像听音乐时戴着耳塞一样舒适，该生物电传感系统允许病人在耳朵里放置很少的无源电极(passive electrode)进行生物信号感应。在保持高度的舒适的同时，我们注重通过设计灵活的多层电极来最大限度地提高电极和用户外耳之间的接触质量。由于耳道的独特位置，我们的入耳式生物电传感系统获得的信号是脑波信号(eeg)，眼动信号(eog)，肌电信号(emg),血氧饱和度信息(ppg)、心率信息(hrv),皮肤电信息(gsr)和无关噪声的混合物。
57.本发明实现了一种新型的选择性压缩感知架构，包括了动态旋钮:一个基于人工智能的信号结构分析器和一个闭式的分析表,传感器端的轻量级粗筛选模块和服务器中的精细分析模块，在传感器端完成低能耗的分类任务，利用压缩分析来减少传感器端的数据量，并筛选出高能耗的任务，将其压缩后的测量值传输到远程服务器，并经过建模和动态规划模型对其设计进行能耗和性能方面的优化。
58.本发明完成了电路层面的入耳式生物电传感系统实现并使用了公开的数据集对设计性能进行了测试。具体来说，动态旋钮包括一个监督学习模块和一个表查找模块。我们以一个闭式的分析表对动态旋钮的性能进行建模，并通过动态规划范式对其设计进行优化，完成了动态旋钮在130纳米，封装大小为0.058mm^2，能耗为每次事件187.88nj工艺精准上的设计。实验结果表明，超低功率的动态旋钮可以提供有效的适应性，不仅可以提高最前沿的锋电位分类的准确性，比传统压缩感知架构节省70％以上的能量，进而从整体上节省能量，解决了传感器节点的能量利用效率问题。
59.为了能够捕捉到可靠的生物信号，重要的是设计出与用户的耳道相适应的轻型入耳式设计。我们在无源电极传感器的基础上增加了一个非处方的声块泡沫耳塞。耳塞的柔软弹性材料(或记忆泡沫)使传感器在被挤压或扭曲以插入耳朵后不久就能重塑成原来的形状。泡沫耳塞的这一基本特性提供了一个舒适和良好的配合，因为它允许传感器在耳道中遵循内表面的形状。此外，它不仅在电极和耳内皮肤之间提供了稳定的接触，而且还减少了由下颌运动引起的运动伪影。此外，使用该耳塞完全消除了关于耳道尺寸的底座的个性化设计。此外，耳塞的柔软表面和轻巧的特性使其在睡眠时更容易佩戴，不会有太多干扰。最后，作为一个额外的好处，泡沫可以阻隔噪音，从而改善睡眠。
60.通过研究人类耳道的解剖结构，我们首先将电极设计成椭圆形(大约1厘米长，0.7厘米宽)。我们的实验表明，铜是一种坚硬的材料，可以无损地插入并置于耳朵内，而织物由于其特殊的编织图案，在其表面具有非常高的非同质电阻率(19ω/sq)。通过在其表面涂上三层纯薄的银箔，进一步降低以及稳定织物电极与耳道外层皮肤之间的电阻。此外，还加入了非常少量的导电凝胶。最终，我们将主动电极和参考电极放在两个不同的耳道中，因此通过加了电极和参考点之间的距离的增加来加强信号的潜力。记录的耳内信号最后通过屏蔽线从电极传输到放大器，以防止任何外部噪音。
61.在我们的原型中使用一个微控制器来对耳内信号进行采样和数字化。为了安全起见，该板由一个6v的电池源提供，配置为2khz的采样率和24db的增益。信号在记录时被储存
在板子上的迷你sd卡中，然后在pc中进行离线处理，其中包括多模态生物动态信号的分离以及睡眠阶段分类。量化模块包括一个逐次逼近寄存器(sar)逻辑，一个b-位寄存器，一个数模转换器(dac)和一个比较器。当压缩后的测量值到来时，sar逻辑设置b-位寄存器的有效位。然后，数字寄存器的值被dac转换为模拟值，并通过比较器与模拟输入信号进行比较。比较的结果为sar逻辑提供反馈，以便进行下一轮的位设置。上述过程从b-位寄存器的msb到lsb反复进行，从而逐步接近模拟输入信号。我们还增加了另一个控制逻辑，以使sar逻辑及其寄存器的量化位分辨率b得到修改。于是，量化位分辨率b可以通过这个控制逻辑进行重新配置。因此，我们的动态旋钮可以直接配置它们的控制逻辑，从而控制随机化编码模块和量化模块。
62.实施例2
63.本实施例提供一种根据实施例1中任一项所述的轻型入耳式生物电传感系统的传感方法，包括：
64.采集混合耳内信号，并应用多模态信号分离模型，在不损失其生理信息的情况下提取为分离信号；
65.将所述分离信号通过随机编码将神经信号进行采样压缩，获取压缩信号；
66.通过数字编码器对压缩信号进行量化处理；
67.使用softmax回归模型对压缩信号进行粗筛选，输出类别预测结果和置信分数；
68.将所述类别预测结果和置信分数与预先设定的阈值进行比较，判断分类结果是否可靠，如果可靠，将所述类别预测结果发送至多模态生物电记录模块进行保存，如果不可靠，将所述压缩信号发送至精细分析模块，进行精细粒度分析，获得的最终预测结果再发送至多模态生物电记录模块进行保存；
69.将所述压缩信号输入动态旋钮微控制器，信号结构分析器根据监督学习算法来判断其类别信息，获得信号类别信息后，从参数查询表模块查询到最佳参数估计，从而配置相应的模块。
70.我们首先采集混合耳内信号，并应用多模态信号分离模型，在不损失其生理信息的情况下提取所需的三个信号。通过随机编码将神经信号进行采样压缩；通过数字编码器对压缩信号进行量化处理；使用回归模型来实现粗筛选；计算置信分数；使用残差块作细粒度分析设计。最后，我们应用睡眠阶段分类算法，利用从分离信号中提取的一组鉴别性特征，将每30秒的睡眠数据分为适当的阶段。然而，此生物电传感系统并不局限于自动睡眠分期，它的三个单独的生物信号输出有可能成为不同医疗问题的基础，包括临床设施外的长期监测、睡眠质量评估、睡眠环境控制、大脑手术支持和大脑相关疾病(如睡眠障碍、癫痫)诊断。
71.本实施例提供的轻型入耳式生物电传感系统的传感方法，其应用过程具体涉及如下步骤：
72.生物动态信号数据采集和处理:我们在轻型入耳式生物电传感系统的主要作用是对捕获的耳内信号进行预处理，以消除可能的信号干扰(如：身体运动伪影(body movement artifact)、电噪声(electrical noise))。该模块主要是解决在硬件方面挑战，包括能够适应人耳内小的不平整区域，以及在下颌运动(如磨牙、咀嚼、说话)时容易变形的能力。我们开发了一种分离算法和压缩感知架构包括一个低功率的压缩感知前端和一个远程服务器。
exponent)、熵(entropy)、分形维度(fractal dimension)等复杂度来测量。
[0080]-睡眠特征选择:尽管每个提取的特征都有能力对生物信号进行部分分类，但当所有提取的特征都用于确定睡眠阶段时，分类算法的性能会下降。因此，为了在提取的特征中选择一组相关的特征，我们计算每个特征组合使用时的分辨能力。然而，测试所有可能的特征组合在计算上是不切实际的。因此，我们采用了一个称为前向选择程序来确定从耳内信号中提取的特征的最有效组合。具体来说,特征是按顺序选择的，直到增加一个新的特征后，预测的性能没有提高。为了进一步提高我们选择方法的效率，我们考虑了选择特征的额外标准。特别是，我们根据每个特征的分类能力和与其他特征的相关性为其分配了一个权重。随后，根据分类误差调整这些权重系数。此外，如果一个特征不仅能改善错误分类误差，而且在已经选定的特征中不那么多余，那么它就会被添加到选定的特征集中。通过这种方法，我们可以根据脑电图、眼动图,肌电图的内在行为有效地对判别特征进行排序。
[0081]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。